一种基于用户隐式反馈的美食推荐算法研究

摘要

随着大数据时代的到来以及人们移动性的日益增强，人们逐渐陷入信息海洋，如何为不同地理位置、不同兴趣背景的用户提供个性化的推荐服务是一个具有挑战性的研究课题。已有研究大多针对电子商务、书本以及影音等推荐，针对美食行业的个性化推荐研究成果相对较少。同时，已有研究大多基于User-Item的二元结构且未结合地理位置信息，商品分类单一难以满足如美食推荐等垂直类应用的要求。课题研究在深入分析传统个性化推荐技术的基础上，结合美食行业应用特点，设计一种基于隐式用户反馈的个性化美食推荐算法。
　　首先，本文对当前个性化推荐算法在国内外的发展现状进行综述，对主流的推荐算法及用户模型进行了比较分析。
　　其次，通过显性方式记录用户兴趣和隐性方式来搜集用户行为，同时结合地理位置信息，采用协同过滤及兴趣聚类等方式构建用户模型，基于商品森林体系设计了一个用户-商品-商家多维空间结构，将有空间属性的商家和无空间属性的商品分开建模，并融合用户的隐式数据。相对于传统的推荐模型，经过对用户隐式行为数据的采集和分析以及商品模型的改进，在很大程度上提高了推荐效率。
　　再次，基于改进模型设计了一种针对美食特点的个性化推荐算法，主要包括基于用户相似和基于商品相似两种推荐算法及评分预测算法，通过模型和算法的改进，提高了商品推荐的精度，并创新性实现了从个性化商品推荐到个性化商家推荐的无缝衔接。
　　最后，论文通过模拟实验及原型系统对改进模型及算法的性能进行验证，主要包括用户相似度和商品相似度的比较、商家推荐等，实验结果表明，采用该模型的个性化推荐算法可有效提升推荐准确度及效率。同时，该算法对美食以外的类似行业应用具有良好的借鉴价值。

目录

声明

摘要

插图索引

附表索引

第1章 绪论

1．1 研究背景

1．2 个性化推荐发展现状

1．2．1 国外研究现状

1．2．2 国内研究现状

1．3 研究目的

1．4 主要研究内容

1．5 论文组织结构

第2章 相关研究综述

2．1 个性化推荐综述

2．2 传统用户兴趣模型

2．2．1 用户模型分析

2．2．2 用户模型建立与更新

2．3 相关个性化推荐算法

2．3．1 基于规则过滤的推荐算法

2．3．2 基于统计过滤的推荐算法

2．3．3 基于内容过滤的推荐算法

2．3．4 基于效用过滤的推荐算法

2．3．5 基于协同过滤的推荐算法

2．4 预测评分

小结

第3章 基于用户隐式反馈建模

3．1 基于传统用户建模改进

3．1．1 用户建模

3．1．2 改进用户模型建立

3．1．3 改进用户模型分组聚类

3．2 基于商品森林的商品建模

3．2．1 商品森林体系概念

3．2．2 商品森林体系结构图

3．3 模型的更新

3．3．1 用户模型更新

3．3．2 商品模型更新

3．4 商品模型与用户模型结合

3．4．1 商品模型与用户模型简述

3．4．2 用户-商品-商家三维空间模型

小结

第4章 基于隐式模型的个性化推荐算法

4．1 算法过程概述

4．2 用户相似度计算

4．2．1 基于用户分组相似度计算

4．2．2 基于用尸协同相似度计算

4．3 商品相似度计算

4．3．1 基于项目协同相似度计算

4．3．2 基于商品类别相似度计算

4．3．3 商品相似度求和

4．4 评分预测算法

4．4．1 基于use-based协同过滤评分预测

4．4．2 基于Item-based协同过滤评分预测

4．5 商家个性化推荐

4．5．1 商家推荐结果

4．5．2 商家推荐性能

4．5．3 传统推荐算法对比

4．6 实验分析

4．6．1 实验方案

4．6．2 用户相似度分析

4．6．3 商品相似度分析

4．6．4 基于商品相似度预测评分值偏差

4．6．5 推荐商家结果分析

小结

第5章 原型系统设计及实现

5．1 系统框架及体系结构

5．2 系统工作流程

5．3 系统原型

5．4 系统对比分析

小结

结论与展望

参考文献

附录A 攻读学位期间完成的主要成果

附录B 攻读硕士期间参与的项目列表

致谢